随着网络时代的发展,当前的网络空间中充斥着大量的文本数据,而这些数据包含着许多有用的价值,因此对这些文本数据进行研究就显得尤为重要了。虽然在文本中虽然包含着许多有用的价值,但是在海量的文本中却广泛存在着缺省和指代的现象,使得文本在整体的层次上出现缺失语义的现象。虽然这些现象对于人类理解其含义没有什么太大的困难,但是对于机器理解文本信息就具有很大的困难和挑战,因此在机器理解、机器翻译、信息抽取等任务中指代消解的研究显得尤为重要。本文针对人称代词在指代的方面特性对其进行指代消解研究。从人称代词指代消解和待消解项识别这两个方面着手进行研究任务,构建基于人称代词的指代消解模型,从篇章级别的文本中挖掘上下文的语义信息对文本中的代词进行识别和消解。在研究指代消解任务中发现,合理的代词待消解项识别能够有效提升人称代词指代消解模型的性能。因为合理的代词识别能够在指代消解过程引入无必要的噪音和干扰信息。因此对于显性的人称代词的待消解项识别的研究也很重要。当前的指代消解的研究大多是基于浅层机器学习模型或者是人工参与抽取相关代词的语义特征,不能够很好的挖掘文本中深层次的语义信息,影响了指代消解模型的性能。因此针对人称代词的指代消解研究工作,本文进行了以下两点的研究:1、对人称代词指代消解任务,构建基于深度学习思想的模型,采用词向量的方法结合注意力机制模型构建人称代词指代消解模型。首先,通过对人称代词指代的特点和表达规律进行分析和归纳,根据归纳的特点提取相应的特征;接着利用注意力机制能够调节权重,避免信息层间传递丢失特点结合长短时记忆网络(LSTM)挖掘人称代词的语义特征;最后利用深度置信网络(DBN)在更深层次上挖掘人称代词的语义信息并与知识和规则层面的特征相融合完成人称代词的指代消解任务。实验的最终的准确率达到了81.14%。2、针对人称代词待消解项识别任务。本文构建了基于注意力机制的卷积神经网络(CNN)和双向长短时记忆网络(Bi-LSTM)的人称代词待消解项识别模型框架。利用CNN网络提取文本中代词的局部信息,用Bi-LSTM网络提取文本中人称代词的上下文语义信息。此外还提取知识和规则层面的十一项特征,然后将其模型抽取的特征进行融合输入到分类器中,由分类器中判断人称代词是否为真正的消解项,最终完成人称代词的待消解项识别的研究。